論文の概要: Deep Adversarial Inconsistent Cognitive Sampling for Multi-view
Progressive Subspace Clustering
- arxiv url: http://arxiv.org/abs/2101.03783v2
- Date: Wed, 13 Jan 2021 04:55:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 14:42:38.566479
- Title: Deep Adversarial Inconsistent Cognitive Sampling for Multi-view
Progressive Subspace Clustering
- Title（参考訳）: 多視点プログレッシブサブスペースクラスタリングのための深い対立的不整合認知サンプリング
- Authors: Renhao Sun, Yang Wang, Zhao Zhang, Richang Hong, and Meng Wang
- Abstract要約: マルチビュープログレッシブサブスペースクラスタリングのためのDeep Adversarial Inconsistent Cognitive Sampling (DAICS)法を提案する。
マルチビュークラスタリングネットワークトレーニングのために、入力サンプルを簡単から困難に選択するためのマルチビュー認知サンプリング戦略を開発しています。
4つの実世界のデータセットの実験結果は、最先端の方法よりもDAICSの優位性を示しています。
- 参考スコア（独自算出の注目度）: 45.8773004047657
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep multi-view clustering methods have achieved remarkable performance.
However, all of them failed to consider the difficulty labels (uncertainty of
ground-truth for training samples) over multi-view samples, which may result
into a nonideal clustering network for getting stuck into poor local optima
during training process; worse still, the difficulty labels from multi-view
samples are always inconsistent, such fact makes it even more challenging to
handle. In this paper, we propose a novel Deep Adversarial Inconsistent
Cognitive Sampling (DAICS) method for multi-view progressive subspace
clustering. A multiview binary classification (easy or difficult) loss and a
feature similarity loss are proposed to jointly learn a binary classifier and a
deep consistent feature embedding network, throughout an adversarial minimax
game over difficulty labels of multiview consistent samples. We develop a
multi-view cognitive sampling strategy to select the input samples from easy to
difficult for multi-view clustering network training. However, the
distributions of easy and difficult samples are mixed together, hence not
trivial to achieve the goal. To resolve it, we define a sampling probability
with theoretical guarantee. Based on that, a golden section mechanism is
further designed to generate a sample set boundary to progressively select the
samples with varied difficulty labels via a gate unit, which is utilized to
jointly learn a multi-view common progressive subspace and clustering network
for more efficient clustering. Experimental results on four real-world datasets
demonstrate the superiority of DAICS over the state-of-the-art methods.
- Abstract（参考訳）: ディープマルチビュークラスタリングは驚くべきパフォーマンスを達成している。
しかし、これら全てはマルチビューサンプルの難易度ラベル(トレーニングサンプルの真偽の確認)を考慮せず、トレーニングプロセス中に悪いローカルオプティマに固執する非理想的クラスタリングネットワークになる可能性があり、さらに悪いことに、マルチビューサンプルからの難易度ラベルは常に一貫性に欠けるため、処理がさらに困難になる。
本稿では,多視点プログレッシブ・サブスペースクラスタリングのための新しい深層非整合認知サンプリング(daics)法を提案する。
マルチビュー一貫したサンプルの難易度ラベルを克服する対向ミニマックスゲームを通して、バイナリ分類器と深い一貫した特徴埋め込みネットワークを共同学習するために、多視点二分分類(容易か困難か)損失と特徴類似性損失を提案する。
マルチビュークラスタリングネットワークトレーニングにおいて,入力サンプルを容易から困難に選択するための多視点認知サンプリング戦略を開発した。
しかし、簡単で難しいサンプルの分布は混ざり合っており、目的を達成するのに簡単なものではない。
これを解決するため,理論的保証付きサンプリング確率を定義した。
これに基づいてゴールデンセクション機構はさらにサンプルセット境界を生成し、ゲートユニットを介して様々な難易度ラベルを持つサンプルを段階的に選択し、より効率的なクラスタリングのためにマルチビュー共通プログレッシブサブスペースとクラスタリングネットワークを共同学習する。
4つの実世界のデータセットの実験結果は、最先端の手法よりもDAICSの方が優れていることを示している。
関連論文リスト
- CDIMC-net: Cognitive Deep Incomplete Multi-view Clustering Network [53.72046586512026]
我々は,認知的深層不完全多視点クラスタリングネットワーク(CDIMC-net)という,新しい不完全多視点クラスタリングネットワークを提案する。
ビュー固有のディープエンコーダとグラフ埋め込み戦略をフレームワークに組み込むことで、各ビューの高レベルな特徴とローカル構造をキャプチャする。
人間の認知、すなわち、簡単からハードに学ぶことに基づいて、モデルトレーニングのための最も自信あるサンプルを選択するための自己評価戦略を導入する。
論文 参考訳（メタデータ） (2024-03-28T15:45:03Z) - Virtual Category Learning: A Semi-Supervised Learning Method for Dense
Prediction with Extremely Limited Labels [63.16824565919966]
本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。
仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。
私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
論文 参考訳（メタデータ） (2023-12-02T16:23:52Z) - Towards Generalized Multi-stage Clustering: Multi-view Self-distillation [10.368796552760571]
既存のマルチステージクラスタリング手法は、独立して複数のビューから健全な特徴を学習し、クラスタリングタスクを実行する。
本稿では,多視点自己蒸留(DistilMVC)を導入し,ラベル分布の暗黒知識を抽出する多段階深層MVCフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-29T03:35:34Z) - Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。
マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。
提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
論文 参考訳（メタデータ） (2023-08-28T18:48:34Z) - Hard Regularization to Prevent Deep Online Clustering Collapse without
Data Augmentation [65.268245109828]
オンラインディープクラスタリング(オンラインディープクラスタリング)とは、機能抽出ネットワークとクラスタリングモデルを組み合わせて、クラスタラベルを処理された各新しいデータポイントまたはバッチに割り当てることである。
オフラインメソッドよりも高速で汎用性が高いが、オンラインクラスタリングは、エンコーダがすべての入力を同じポイントにマッピングし、すべてを単一のクラスタに配置する、崩壊したソリューションに容易に到達することができる。
本稿では,データ拡張を必要としない手法を提案する。
論文 参考訳（メタデータ） (2023-03-29T08:23:26Z) - Deep Multi-View Semi-Supervised Clustering with Sample Pairwise
Constraints [10.226754903113164]
本稿では,ネットワークファインタニングにおける3種類の損失を協調的に最適化するDMSC法を提案する。
提案手法は,最先端のマルチビューやシングルビューの競合よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-10T08:51:56Z) - Learning Statistical Representation with Joint Deep Embedded Clustering [2.1267423178232407]
StatDECは、共同統計表現学習とクラスタリングのための教師なしのフレームワークである。
実験により,これらの表現を用いることで,様々な画像データセットにまたがる不均衡な画像クラスタリングの結果を大幅に改善できることが示された。
論文 参考訳（メタデータ） (2021-09-11T09:26:52Z) - Rank-Consistency Deep Hashing for Scalable Multi-Label Image Search [90.30623718137244]
スケーラブルなマルチラベル画像検索のための新しいディープハッシュ法を提案する。
2つの空間の類似性順序を整列するために、新しい階数整合性目的を適用した。
強力な損失関数は、意味的類似性とハミング距離が一致しないサンプルをペナルティ化するように設計されている。
論文 参考訳（メタデータ） (2021-02-02T13:46:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。